Apprendre à Apprendre Comment Apprendre : Navigation Visuelle Auto-Adaptative Utilisant l'Apprentissage Métier

L'apprentissage est un phénomène intrinsèquement continu. Chez les humains, il n'y a pas de distinction explicite entre l'entraînement et l'inférence lors de l'apprentissage d'une nouvelle tâche. En apprenant une tâche, nous continuons à en apprendre davantage tout en la réalisant. Ce que nous apprenons et la manière dont nous l'apprenons varient selon les différentes étapes de l'apprentissage. Apprendre comment apprendre et s'adapter est une propriété clé qui nous permet de généraliser sans effort à de nouveaux contextes. Cela contraste avec les configurations conventionnelles en apprentissage automatique où un modèle entraîné est figé pendant l'inférence. Dans cet article, nous examinons le problème de l'apprentissage à la fois pendant l'entraînement et le temps d'essai dans le cadre de la navigation visuelle. Un défi fondamental en navigation est la généralisation à des scènes inédites. Nous proposons dans ce travail une méthode de navigation visuelle auto-adaptative (Self-Adaptive Visual Navigation - SAVN) qui apprend à s'adapter à de nouveaux environnements sans aucune supervision explicite. Notre solution repose sur une approche d'apprentissage par renforcement métacognitif où un agent apprend une fonction de perte d'interaction auto-supervisée encourageant une navigation efficace. Nos expériences, menées dans le cadre AI2-THOR, montrent des améliorations significatives tant en termes de taux de réussite que d'SPL (Success weighted by Path Length) pour la navigation visuelle dans des scènes inédites. Notre code source et nos données sont disponibles à l'adresse suivante : https://github.com/allenai/savn .